云侧AI芯片演进路线

近年来，云厂商和大模型厂商自研AI芯片落地速度明显加快。海外，OpenAI和博通合作推进定制芯片研发，Google、AWS等厂商的自研芯片成为主要算力设施；国内，百度智能云点亮昆仑芯P800万卡集群，阿里平头哥发布真武M890，字节跳动自研芯片进展迅速。下游厂商自研芯片，目的在于根据工作负载，对芯片架构、存储、互联、软件栈和集群部署进行协同优化，反映出云侧AI芯片竞争逻辑的转变：从单纯提升单芯片算力，逐步走向整体性能、成本和效率为核心的系统级竞争。

本文将梳理海外与国产云侧AI芯片的产品演进路线，分析背后隐藏的趋势，并进一步探讨：当主流技术路径日趋一致，国产AI芯片应如何摆脱同质化竞争，寻找新的突破口？

一、海外：从单卡性能提升到系统级计算x

从Volta、Ampere、Hopper到Blackwell，英伟达四代产品反映出AI计算瓶颈的变化：从算力不足，逐步转向存储、互联和系统效率。

第一代：AI专用计算。Volta首次引入Tensor Core，开始针对AI矩阵计算设计专用硬件，标志着AI计算从依赖通用GPU能力，转向由独立的专用计算单元承载。

第二代：综合性能提升。Ampere相较Volta，FP16算力提高约150%，最大显存容量提高150%，显存带宽提高约127%，NVLink带宽翻倍，标志着AI芯片由单纯提升算力，转向计算、存储和互联同步升级。

第三代：针对大模型进行优化。Hopper相较Ampere，FP16算力提升约3.2倍，NVLink带宽提高50%，并引入FP8精度。代表产品H200在算力基本不变的情况下，显存容量提高约76%，显存带宽提高约43%。标志着AI芯片的算力不再是唯一瓶颈，低精度、大显存和高带宽开始直接影响大模型的实际计算效率。

第四代：系统级计算。Blackwell相较Hopper，显存容量提高约28%，显存带宽提高约67%，NVLink带宽翻倍，同时单GPU功耗升至千瓦级。代表产品GB200 NVL72进一步将72颗GPU组成统一的计算系统。标志着AI芯片的竞争重点由单芯片性能转向整个计算系统的性能和效率。

除英伟达外，AMD、博通、高通同样布局了云侧AI芯片业务，发展方向基本趋同：低精度、大容量高带宽存储、高速互联和系统级优化。

二、国内：沿英伟达定义的技术路径持续追赶

国产AI芯片与英伟达存在代际差距，但技术演进方向基本一致。

第一代：AI专用计算。华为昇腾910、寒武纪思元100完成云侧AI芯片产品化，建立专用AI计算能力，并形成芯片、板卡和服务器产品体系。标志着国产芯片完成了从技术研发到产品落地的跨越。

第二代：综合性能提升。华为910B继续提升训练和推理能力；寒武纪思元270相较思元100，非稀疏模型理论峰值提高约4倍。面向训练的思元290相较思元270，峰值算力提高约4倍、内存带宽提高约12倍、芯片间通信带宽提高约19倍。国产芯片开始同步补齐算力、存储和互联能力。

第三代：大模型优化。华为910C和寒武纪思元370、思元590开始面向大模型强化存储和多芯协同。思元370相较思元270，最大INT8算力翻倍、内存带宽提高至约3倍，并引入Chiplet和MLU-Link；华为910C进一步进入Atlas 900 A3 SuperPoD，单系统可连接数百颗NPU。国产芯片的竞争重点开始由单芯片性能转向大显存、高带宽和多芯协同。

第四代：系统级计算。华为950相比910C，芯片互联带宽提升约2.5倍，并进一步支持FP8、MXFP8、MXFP4等低精度计算；Atlas 950 SuperPoD规划的NPU规模较Atlas 900 A3扩大超过20倍。华为开始通过系统级计算来弥补单颗NPU性能和英伟达的差距。

除华为和寒武纪外，海光、昆仑芯、沐曦、天数智芯等厂商也在沿相同方向演进，由单卡算力提升逐步走向更大的显存容量、更高显存带宽和互联带宽。

三、追赶之外，国产AI芯片必须寻找新的突破口

国产AI芯片如果始终沿着既有路线追赶，面对上游供应资源的劣势，代价是更高的功耗、成本和系统复杂度。因此，要缩小差距，不能只追参数，还要在底层架构上找到自己的解法。RISC-V为这种差异化提供了新的可能。

RISC-V的价值首先体现在降低计算成本。开放、可扩展的指令集使芯片能够针对AI负载增加专用指令，并围绕具体的数据流优化计算、缓存、存储和互联。相比单纯增加计算单元或提高存储带宽，这种方式可以从架构层面减少冗余计算和数据搬运，提高硬件资源利用率，在相同计算任务下改善功耗和成本。

第二是提高定制能力。AI计算的负载正在向多样化发展，各类负载在计算密度、访存需求和通信方式上存在明显差异。RISC-V允许根据不同负载调整微架构，使芯片设计能够更直接地对应具体应用需求，为AI芯片从通用化向专用化发展提供更大的设计空间。

第三是增强底层技术体系的自主可控。RISC-V采用开放指令集，不依赖封闭的处理器架构授权，芯片厂商可以自主设计处理器内核，并进一步向计算、存储和互联等关键环节延伸。对于国产AI芯片而言，这意味着技术竞争可以由产品规格层面的追赶，进一步延伸至底层架构层面的自主设计。

四、结语

回顾云侧AI芯片的发展路线，本质上是在不断解决新的系统瓶颈：算力不足之后是存储，再之后是互联和系统效率。随着这些技术方向逐渐成为行业共识，国产AI芯片公司仅沿着既有路线提高算力、显存和互联规格，能够形成的差异化竞争优势将越来越小，存在着陷入同质化竞争的风险。

RISC-V为国产AI芯片的突破提供了新的竞争路径。它将产品创新进一步下沉至底层处理器架构，使企业能够围绕具体负载重新配置计算资源、优化数据流，形成更强的产品定制能力和自主设计能力。国内选择RISC-V路线的公司如奕斯伟计算，正是这一思路的实践：不再局限于沿既有路线追赶参数，而是通过底层架构创新，形成可持续的技术差异化优势。